Exponenta Banner

compatibleTrackBranches

Сформулируйте глобальные гипотезы от кластеров

свернуть все на странице

Синтаксис

[hypotheses,hypScores] = compatibleTrackBranches(clusters,incompatibleBranches,scores,maxNumHypotheses)

Описание

пример

[hypotheses,hypScores] = compatibleTrackBranches(clusters,incompatibleBranches,scores,maxNumHypotheses) возвращает список гипотез hypotheses и их баллы hypScores от информации о кластерах ветвей и несовместимости ветвей.

Гипотезы являются наборами совместимых ветвей дорожки, которые являются ветвями, которые не принадлежат той же дорожке или совместно используют обнаружение в их истории. Счет каждой гипотезы является суммой множества всех ветвей, включенных в гипотезу.

Примеры

свернуть все

Скрипт Open Live Script

Создайте матрицу истории ветви для 12 ветвей. В данном примере матрица истории ветви имеет 11 столбцов, которые представляют историю 2 датчиков с глубиной истории 4.

branchHistory = uint32([     
    4     9     9     0     0     1     0     0     0     0     0
    5    10    10     0     0     0     2     0     0     0     0
    6    11    11     0     0     3     0     0     0     0     0
    1    12    12     0     0     1     0     1     0     0     0
    1    13    13     0     0     0     2     1     0     0     0
    1    14    14     0     0     1     2     1     0     0     0
    2    15    15     0     0     3     0     3     0     0     0
    3    16    16     0     0     0     4     0     4     0     0
    7     0    17     1     0     0     0     0     0     0     0
    1     5    18     1     0     0     0     0     2     0     0
    1     5    19     0     2     0     0     0     2     0     0
    1     5    20     1     2     0     0     0     2     0     0]);

Получите список кластеров и список несовместимых ветвей. clusters матрица имеет три столбца, поэтому существует три кластера.

[clusters,incompBranches] = clusterTrackBranches(branchHistory);

Задайте 12 1 вектор-столбец, содержащий оценки ветви.

scores = [81.4; 90.5; 12.7; 91.3; 63.2; 9.7; 27.8; 54.6; 95.7; 96.4; 15.7; 97.1];

Задайте количество глобальных гипотез.

numHypotheses = 6;

Получите матрицу гипотез и счет каждой гипотезы.

[hyps,hypScores] = compatibleTrackBranches(clusters,incompBranches,scores,numHypotheses)
hyps = 12x6 logical array

   1   0   1   1   1   0
   1   1   1   1   1   1
   0   0   0   0   1   1
   0   1   0   0   0   1
   0   0   0   0   0   0
   0   0   0   0   0   0
   1   1   1   1   0   0
   1   1   1   1   1   1
   1   1   0   0   1   1
   0   0   0   1   0   0
      ⋮


hypScores = 1×6

  365.7000  359.9000  351.4000  350.7000  350.6000  344.8000

Входные параметры

свернуть все

Кластеры в виде одного из следующих.

  • M-by-P логическая матрица. M является количеством ветвей, и P является количеством кластеров. (i, j) элементом является true если ветвь j содержится в кластерном i. Значение P меньше чем или равно M.

  • Вектор длины M, где i-th элемент дает индекс кластера, который содержит ветвь i.

  • Массив ячеек c, где c{j} содержит идентификаторы всех ветвей в кластерном j.

Можно использовать clusterTrackBranches вычислить кластеры из матрицы истории ветви.

Типы данных: логический

Несовместимые ветви в виде M-by-M симметричная логическая матрица. (i, j) элементом является true если ветви i и j попарно-несовместимы.

Можно использовать clusterTrackBranches вычислить несовместимые ветви из матрицы истории ветви.

Типы данных: логический

Баллы ветви в виде M-by-1 числовой вектор или M-by-2 числовая матрица.

Примечание

Если вы задаете scores как M-by-2 числовая матрица, затем первый столбец задает текущий счет каждой ветви, и второй столбец задает максимальный счет. compatibleTrackBranches игнорирует второй столбец.

Типы данных: single | double

Максимальное количество гипотез в виде положительного целого числа.

Выходные аргументы

свернуть все

Гипотезы, возвращенные как M-by-H логическая матрица, где M является количеством ветвей и H, являются значением maxNumHypotheses.

Счет гипотез, возвращенный как 1 H числовым вектором.

Ссылки

[1] Вертманн, Джон Р. "Постепенное Описание В вычислительном отношении Эффективной Версии Нескольких Отслеживание Гипотезы". В Продолжениях Издания 1698 SPIE, Сигнала и Обработки Маленьких Целей. 1992, стр 288–300. doi: 10.1117/12.139379.

Расширенные возможности

Смотрите также

| | |

Введенный в R2018b

Документация Sensor Fusion and Tracking Toolbox
Поддержка